LangGraph - Open Deep Research

发表于 更新于 分类于

概述

Open Deep Research 是一个基于 LangGraph 构建的开源深度研究系统，能够根据用户请求灵活调整研究策略，生成高质量的研究报告。该系统采用多代理架构，支持并行研究任务，并通过上下文工程优化 token 使用。

核心挑战

深度研究任务具有开放性特点，不同类型请求需要不同策略：

  • 比较类请求：如”比较两个产品”，需要分别研究后综合对比
  • 列表类请求：如”找出前20名候选人”，需要开放式搜索后排序
  • 验证类请求：如”X是否成立？”，需要深度迭代研究，重视信息质量

三阶段架构

1. Scope（范围确定）

用户澄清：使用聊天模型获取额外上下文，确保理解用户需求
简报生成：将用户交互转化为结构化研究简报，作为后续研究的指导原则

2. Research（研究执行）

监督代理（Supervisor）：

  • 将研究简报分解为独立子主题
  • 决定是否需要并行化研究
  • 评估研究完整性，决定是否继续迭代

子代理（Sub-agents）：

  • 专注单一子主题研究
  • 使用搜索工具和MCP工具收集信息
  • 清理研究发现，移除无关内容
  • 生成详细答案并引用来源

关键设计：

  • 子代理间上下文隔离，避免信息污染
  • 监督代理根据研究深度需求动态调整策略
  • 支持并行和串行两种研究模式

3. Write（报告撰写）

  • 单次LLM调用生成最终报告
  • 输入：研究简报 + 所有清理后的研究发现
  • 输出：结构化研究报告，严格遵循简报要求

技术实现

LangGraph架构

1
2
3
4
5
class ResearchState(TypedDict):
    research_brief: str
    sub_topics: List[str]
    research_results: Dict[str, Any]
    final_report: Optional[str]

节点设计：

  • scope_node：生成研究简报和子主题
  • research_node：执行并行研究任务
  • write_node：生成最终报告

边控制：

  • 条件边：根据研究完整性决定是否继续迭代
  • 并行边：支持多个子代理同时工作

核心代码实现

1. 主图构建 (350:370)

1
2
3
4
5
6
7
8
deep_researcher_builder = StateGraph(AgentState, input=AgentInputState, config_schema=Configuration)
deep_researcher_builder.add_node("clarify_with_user", clarify_with_user)
deep_researcher_builder.add_node("write_research_brief", write_research_brief)
deep_researcher_builder.add_node("research_supervisor", supervisor_subgraph)
deep_researcher_builder.add_node("final_report_generation", final_report_generation)
deep_researcher_builder.add_edge(START, "clarify_with_user")
deep_researcher_builder.add_edge("research_supervisor", "final_report_generation")
deep_researcher_builder.add_edge("final_report_generation", END)

2. Scope阶段实现

用户澄清节点 (47:60)：

1
2
3
4
async def clarify_with_user(state: AgentState, config: RunnableConfig) -> Command[Literal["write_research_brief", "__end__"]]:
    # 检查是否需要用户澄清
    # 使用 ClarifyWithUser 结构化输出
    # 条件跳转: write_research_brief 或 END

简报生成节点 (63:82)：

1
2
3
4
async def write_research_brief(state: AgentState, config: RunnableConfig)-> Command[Literal["research_supervisor"]]:
    # 生成研究简报
    # 使用 ResearchQuestion 结构化输出
    # 初始化 supervisor_messages

3. Research阶段实现

监督代理子图 (85:180)：

监督节点 (85:102)：

1
2
3
4
async def supervisor(state: SupervisorState, config: RunnableConfig) -> Command[Literal["supervisor_tools"]]:
    # 分析研究简报
    # 绑定工具: ConductResearch, ResearchComplete
    # 决定研究策略

监督工具节点 (105:180)：

1
2
3
4
async def supervisor_tools(state: SupervisorState, config: RunnableConfig) -> Command[Literal["supervisor", "__end__"]]:
    # 执行 ConductResearch 工具调用
    # 并行启动 researcher_subgraph
    # 条件跳转: supervisor 或 END

研究者子图 (183:320)：

研究者节点 (183:204)：

1
2
3
4
async def researcher(state: ResearcherState, config: RunnableConfig) -> Command[Literal["researcher_tools"]]:
    # 专注单一研究主题
    # 绑定所有可用工具
    # 执行工具调用循环

研究者工具节点 (207:250)：

1
2
3
4
async def researcher_tools(state: ResearcherState, config: RunnableConfig) -> Command[Literal["researcher", "compress_research"]]:
    # 执行工具调用
    # 处理工具结果
    # 条件跳转: researcher 或 compress_research

研究压缩节点 (253:320)：

1
2
3
4
async def compress_research(state: ResearcherState, config: RunnableConfig):
    # 压缩研究发现
    # 清理无关内容
    # 生成结构化输出

4. Write阶段实现

最终报告生成 (323:370)：

1
2
3
4
async def final_report_generation(state: AgentState, config: RunnableConfig):
    # 生成最终报告
    # 使用研究简报 + 所有发现
    # 单次LLM调用

工具集成

搜索工具：

  • 通用搜索：Google、Bing
  • 学术搜索：Google Scholar、arXiv
  • 专业搜索：特定领域数据库

MCP工具：

  • 文件读取：PDF、DOC、TXT
  • 数据库查询：SQL、NoSQL
  • API调用：REST、GraphQL

工具获取函数 (open_deep_research/src/open_deep_research/utils.py)：

1
2
3
async def get_all_tools(config):
    # 获取所有可用工具
    # 包括搜索API和MCP工具

上下文工程

Token优化：

  • 研究简报压缩：提取关键信息
  • 结果清理：移除冗余和无关内容
  • 分块处理：大文档分段处理

上下文隔离：

  • 子代理独立上下文
  • 避免信息污染
  • 结果合并策略

Token限制处理 (open_deep_research/src/open_deep_research/utils.py)：

1
2
3
def is_token_limit_exceeded(e, model):
    # 检测token限制错误
    # 实现重试机制

关键洞见

1. 多代理适用性

  • 仅用于可并行任务：多代理适合研究阶段，不适合写作阶段
  • 避免协调问题：早期版本尝试并行写作导致内容不连贯
  • 上下文隔离优势：避免长上下文窗口的失败模式

2. 上下文工程重要性

  • Token节省：Anthropic报告多代理系统使用15x更多token
  • 避免限制：防止达到上下文窗口限制
  • 成本控制：减少token支出，避免TPM限制

3. 灵活深度控制

  • 监督代理决策：根据请求复杂度决定研究深度
  • 简单请求：避免不必要的深度研究
  • 复杂请求：支持高token使用和延迟

4. 架构优势

  • 三阶段设计：平衡灵活性与输出质量
  • 模块化：易于扩展和定制
  • 可配置：支持用户自定义模型、工具和MCP服务器

实际应用

典型场景

  • 市场研究：产品对比、竞品分析
  • 学术研究：文献综述、实验设计
  • 商业决策：投资分析、风险评估
  • 内容创作：深度报道、技术文档

使用方式

  • LangGraph Studio：本地运行和测试
  • Open Agent Platform：在线演示和使用
  • 自部署：支持私有化部署

技术栈

  • 框架：LangGraph + LangChain
  • 状态管理：TypedDict + 条件边
  • 工具集成：MCP协议 + 多API支持
  • 并行处理：异步执行 + 上下文隔离
  • 质量保证：结果验证 + 错误重试

未来方向

  • Token优化：更好的工具响应处理和上下文过滤
  • 质量评估：热路径中的质量检查机制
  • 长期记忆：研究报告的存储和复用
  • 多模态支持：图像、视频分析能力

参考资料

Open Deep Research Blog
GitHub代码库
在线演示